多源数据识别金丽温高速低能见度的研究

利用 2014-2018 年地面观测数据和新一代静止气象卫星等多源数据针对浙江省金丽温高速公路进行逻辑回归 (LR)、 线性判别 (LDA)、 K 近邻算法 (KNN)、 决策树 (CART)、 随机森林 (RF)、 高斯贝叶斯 (NB) 和支持向量机 (SVM) 七种机器学习方法的低能见度识别训练试验， 结果表明， RF 算法对地面观测数据和新一代静止气象卫星数据均有较好的训练效果， 且针对小于 1000 米的能见度天气有较好的识别效果。 进一步结合地面观测数据和卫星数据建立识别模型， 发现效果优于单一来源的数据建模， 一般以 RF 和 SVM 算法建模效果较好， 且在对浓雾、 强浓雾的识别中， 结合地面和卫星数据的模型识别效果更好。 利用 RF 算法再对 2019 年 1 月金丽温高速公路的大雾过程进行识别， 显示新一代静止气象卫星数据的模拟效果不差于地面观测识别效果， 且能够识别夜间和凌晨的雾。 新一代静止气象卫星对地面能见度的观测识别可作为有效补充， 将对省内没有地面气象观测的低能见度识别和短临判别有一定辅助参考作用。

Study on Identification of Low Visibility of Jinliwen Expressway Using Multi-Source Data